高边坡变形的组合预测模型研究及应用

高边坡变形预测模型众多，单一模型往往难以准确地描述边坡变形的规律，采用多种模型和方法进行有机集成和综合应用将是边坡变形预测研究更为有效的途径。边坡变形的时间序列实际上可分解为趋势项和随机项两个部分。回归模型能较好地描述边坡变形的总体趋势，并且具有明确的工程意义，但不能很好地反映变形中具有随机性的成分；ARMA模型则能很好的拟合和预测边坡变形的随机成分。将两种方法进行有机集成，建立了边坡变形的组合预测模型。选取锦屏一级水电站左岸高边坡的一个外观测点，建立边坡变形的组合预测模型，并与统计回归模型作对比，对比显示组合预测模型有着更高的预测精度，结果验证边坡变形的组合预测模型的可行性。     

加权灰色与加权统计模型在边坡变形预测中的应用研究

 利用实测变形数据建立监测模型对边坡变形规律进行预测是工程安全监测中的重要手段。对于长期发展变化的变形来说,新、旧信息反映的规律通常会有所不同,充分合理利用新的实测信息是实时掌握边坡状态、预测下一阶段趋势的必要工作。以加权的方法增强新的监测信息的作用,适当削弱旧信息的作用,比较选取权形式,对相应的变形加权回归模型和加权灰色模型进行建模分析,其预测效果比不加权模型有较明显改善。并通过权重的改变对模型的拟合、预测结果进行了比较,总结其规律,提出了使用建议。     

高边坡变形的组合预测模型及其应用

提出采用多种模型和方法进行有机集成和综合应用将对边坡变形进行预测研究更为有效的途径。边坡变形的时间序列实际上可分解为趋势项和随机项两个部分。把回归模型与ARMA模型进行有机集成,建立了边坡变形的组合预测模型。选取锦屏一级水电站左岸高边坡的一个外观测点,建立边坡变形的组合预测模型,并与单一的统计回归模型作对比。对比结果显示,组合预测模型有着更高的预测精度。     

逐步回归算法在边坡安全监测中的运用

考虑时效、降雨和温度对边坡变形的影响,深入分析了边坡变形的外在影响因素及各因子的表达形式,建立边坡变形统计回归模型,应用Matlab软件和逐步回归算法,实现边坡变形的回归分析与预测。东津水电站溢洪道左岸高边坡变形监测资料分析成果表明:边坡变形统计拟合值与实测值接近,复相关系数较大,剩余标准差较小。该模型能较好地反映边坡的变形规律和发展趋势,为分析边坡运行时的安全状态和预测变形趋势提供了指导思想,有较大的工程实用价值。     

最优加权组合预测模型在大坝变形监测中的应用

探讨最优的大坝变形预测模型,为大坝安全运行提供依据。建立基于多元线性回归、时间序列、BP神经网络3个单项模型的一般组合及最优加权组合预测模型。并采用相关性系数、均方根误差对各模型预测精度进行检验。通过对水布垭面板堆石坝坝体沉降进行预测,其结果表明BP神经网络模型和最优加权组合模型的预测精度都比较高,均适用于该工程的变形预测,尤其是ARMA-BP加权组合预测模型,计算便捷,预测精度较高,可供同类工程借鉴使用。     

日径流的组合预测模型

根据最优加权组合预测原理，建立了径流响应线性模型和时间序列模型的优化加权组合模型，以预测日径流，依据最小二乘法原理确定其优化加权系数，预测结果表明，优化加权组合模型可提高预测精度。     

基于最优加权组合预测的隧道监控量测数据分析

监控量测技术可收集能反映施工过程中围岩动态的信息,据此判断围岩的稳定状态、确定二次衬砌时机及验证所选支护方式的合理性。通过对华蓥山隧道的监控量测数据分析,建立了多个回归模型进行比选,得到拟合精度较高的回归模型;基于最优加权组合预测法对拱顶沉降量进行预测,通过对比组合预测和单一预测模型的预测精度,验证了最优加权组合预测法的优越性;将最优加权组合预测的结果应用于沉降速率的分析,可以确定隧道二次衬砌的时间。研究结果表明:最优加权组合预测法在隧道监控量测数据分析中的应用,可以提高预测精度,较单一预测模型能更加有效地反映拱顶沉降的发展趋势;选取精度较高的单一预测模型进行最优加权组合预测,分析变形速率,可以为确定隧道的二次衬砌时间提供依据,具有一定的实用价值。     

基于经验模式分解的边坡位移预测模型研究

高边坡监测数据分析是研究边坡变形演化机制及稳定性评价的主要方法,是工程施工决策的基础。根据边坡位移时间序列呈现趋势性与随机性相耦合的特点,运用经验模式分解方法将边坡位移量分解为趋势项和随机项部分,对趋势项采用支持向量机回归模型预测,并基于马尔可夫状态切换对随机项建立自回归模型进行预测。以小湾水电站高边坡为例,将该模型应用到边坡位移变形预报中,取得了较好的效果。     

最优加权组合法在大坝垂直位移分析中的运用

通过筛选出的安全监测模型,经最优加权组合,建立万家寨水利枢纽大坝变形监测模型.实测分析表明,最优加权组合模型精度高于任何单个模型的精度,如广义线性多项式逐步回归模型和多项式逐步回归模型等.组合模型的精度主要与参比组合的模型精度有关,精度高的单个模型对组合模型的贡献大,获得的最优权重也较大:精度低的单个模型对组合模型的贡献小,获得的最优权重也较小.因此在安全变形分析时应有较多的模型供选择.     

基于安全性和经济性多目标优化的岩质边坡锚固计算方法

以节理岩质边坡为研究对象,基于塑性力学的极值理论,将滑动面的安全系数和锚固造价共同作为目标函数,将锚固力方向、锚杆长度、结构面的剪力和法向力作为决策变量,结合岩块的平衡方程约束条件、结构面的屈服条件和锚杆的附加约束条件,建立安全性和经济性多目标的岩质边坡锚固非线性数学规划模型,最后采用线性加权和法求解多目标规划模型得到安全系数、锚固造价的最优值以及最优锚固角,该方法具有概念明确、计算精度高等特点。     

阶跃型滑坡综合变形预测及监测预警方法研究

大型库岸滑坡的长期变形在汛期降雨作用下呈现明显的周期性“阶跃式”陡增特征。针对阶跃型滑坡的变形特征，本文提出了一种多源数据“融合-预测-预警”的三步式滑坡监测预警方法：(1)“融合”,即基于经验模态分解法将多点位移监测数据分别分解为趋势项和周期项，采用加权值法分别融合不同监测点的趋势项和周期项位移得到融合趋势项和融合周期项序列，并将两者叠加得到滑坡体的现状综合变形时间序列；(2)“预测”,即引入“一个预测周期”概念，采用滑动多项式拟合法和随机森林算法分别对融合趋势项和融合周期项进行预测并叠加得到滑坡体的预测综合变形时间序列；(3)“预警”,即基于斜率变点分析方法搜索综合变形曲线的“稳定点”和“跃迁点”,确定稳定变形和加速变形区间的斜率，建立阶跃型滑坡的四级递进式分级预警模型，基于该预警模型对滑坡现状进行预警。以向家坝水库某滑坡体自动化位移监测数据为研究对象，采用本文所提方法对该滑坡进行了综合变形预测和监测预警，结果表明：综合变形时间序列可以整体反映滑坡的变形演化规律，且预测结果可靠，根据分级预警模型判断此滑坡体当前处于稳定变形阶段(Ⅰ级预警)。     

基于回归分析和小波变换的边坡变形组合预测研究

为有效地判断边坡变形的发展趋势,基于边坡变形的现场数据,首先利用回归分析和小波变换分解边坡变形数据的趋势项和误差项,并选取若干最优的分解数据进行组合确定边坡变形数据的趋势项和误差项,再利用BP和RBF神经网络对趋势项和误差项序列进行预测,得到单项预测的结果,最后研究分析了定权组合预测和非定权组合预测的效果。结果表明在趋势项和误差项的分离过程中,不同分离方法的分离结果具有一定的差异,以6次多项式回归、5次及7次傅里叶回归和sym2小波变换的结果较好;同时,在单项预测中,分项预测的效果要优于传统的单项预测,验证了分项预测的有效性,并由组合预测的结果可知,2种组合预测的效果均较好,均很大程度上提高了预测精度,且非定权组合的预测精度要优于定权组合预测的精度。上述研究为边坡的变形预测提供一种新的思路。     

滑坡变形的回归-神经网络预测模型研究

受多种因素影响,滑坡变形具有趋势性和随机性的特点。从滑坡变形监测数据着手,将监测数据分离成趋势值和随机值,建立了滑坡变形的回归-神经网络预测模型。该模型采用逐步回归方法对滑坡变形的趋势值进行预测,用BP神经网络预测方法对滑坡变形的随机值进行预测。利用金沙江乌东德坝址区金坪子滑坡TP06点高程位移变化实测数据,对该模型进行了验证。结果表明:预测误差不超过11%,具有较高的预测精度。     

基于M-ELM的大坝变形安全监控模型

针对大坝变形监测数据存在的非线性强、异常值诊断和剔除工作复杂及传统监控模型抗粗差能力差等问题,结合稳健估计理论抗粗差性强和极限学习机在处理非线性问题方面的优势,建立了基于稳健估计极限学习机的大坝变形安全监控模型。试验确定网络隐含层层数,构建4次方损失函数,采用加权最小二乘法计算输出权值,实现原始监测数据的拟合和预测。以某工程大坝变形监测数据为例进行建模分析,结果表明:以反映模型预测精度的均方误差和平均绝对百分误差及反映模型鲁棒性的中位数绝对偏差作为评价指标,基于稳健估计极限学习机的大坝变形安全监控模型的各项指标明显优于对比模型。     

基于集成组合预测模型的隧道大变形预测研究

为提高隧道大变形预测精度,先利用ARMA模型、三次指数平滑模型和GM(1,1)模型等单项预测模型进行预测,再利用多种线性和非线性组合方法实现了隧道大变形的初步组合预测,并在递进组合预测和混沌优化预测的基础上,构建了隧道大变形集成组合预测模型,实现了隧道大变形的综合预测。同时,提出利用M-K检验来判断隧道大变形的发展趋势,以验证预测结果的准确性。实例验证结果表明：各类初步组合预测模型均能不同程度地提高预测精度,而递进组合预测能很好地优化残差序列,达到提高预测精度的目的,即集成预测模型在隧道大变形中具较高的预测精度;同时,变形预测结果与趋势判断结果一致,均得出隧道大变形趋于不稳定方向发展的规律,相互佐证了各自分析结果的准确性,为隧道变形防治提供了参考依据。     

基于DPSO-ANFIS的大坝变形预测模型

变形预测模型是大坝结构安全性态分析的关键技术支撑。针对现有大坝变形预测模型在精确度、泛化性等方面的不足,将自适应模糊神经网络引入到大坝变形预测模型中,利用动态权重粒子群算法对自适应模糊神经网络中模糊层的适应度值进行参数寻优,形成可以寻找最优适应度值的自适应模糊神经网络,进而建立基于DPSO-ANFIS的大坝变形预测模型。根据大坝原型监测数据,代入训练好的模型得到输出值,并将其与实际监测数据进行对比分析。工程实例应用表明,基于DPSO-ANFIS的大坝变形预测模型输出值与实测值偏差最大为0.0516 mm,均方根误差为0.0351 mm,平均绝对误差为0.0320 mm,各项指标精度均优于基于PSO-ANFIS、ANFIS和BP神经网络的大坝变形预测模型。针对不同位置测点、预测时间段,基于DPSO-ANFIS的大坝变形预测模型输出值接近实测值,预测趋势符合真实值走向,整体预测性能稳定。该模型具有较高的精确度、良好的泛化性与可靠的稳定性,工程实用综合性能较优。     

多相型综合法及其在高边坡变形预测中的应用

基于相空间重构理论和近邻等距及其加权预测模式,提出了多相型综合预测方法,并应用于高边坡变形监测数据的处理。该方法应用于小湾水电站2#山梁高边坡4个GPS监测点连续430期变形时间序列的数据分析并进行预测。结果表明,该方法有效地削弱了重构参数选取算法和数据噪声等主客观因素对变形预测值的不确定影响,具有更高的预测精度和可靠性,为高边坡变形的非线性混沌预测提供了一种方法。     

基于蚁群算法优化支持向量机的边坡位移预测

由于复杂工程地质条件和环境因素的综合影响,边坡变形呈现复杂非线性演变特征。借助支持向量机(SVM)可有效解决小样本、高维数、非线性等问题的优点,对边坡实测位移进行数据挖掘,预测边坡变形趋势。为了避免人为选择支持向量机模型参数的盲目性,提高模型预测精度和泛化能力,引入改进的蚁群算法(ACO)对模型参数进行寻优,结合位移时序滚动预测方法,建立了适合边坡变形预测的ACO-SVM模型。将该模型应用于2个边坡的位移预测,研究结果表明,ACO-SVM预测精度高,模型建立正确。与遗传算法、粒子群算法优化SVM的预测结果相比,ACO-SVM模型预测精度更高,具有更强的泛化能力,预测结果更加合理,在边坡变形预测中具有一定的工程应用价值。     

基于灰色理论的边坡变形时效特性预测研究

本文通过对马延坡边坡表面变形、内部变形的长期监测成果分析,结合灰色系统理论,建立了DGM（2,1）预测模型,对马延坡边坡Ⅱ区变形进行了预测.研究结果表明该边坡位移变形大致分为快速增加、缓慢增加、逐渐趋稳三个阶段,位移变形随时间增加而增大、随深度增加而减小,位移变化速率、变化加速度随时间增加而减小.检验结果表明预测模型精度较高,预测结果与实测数据得出的规律较为一致,可为类似的工程提供一些有益的参考.